当前位置:文档之家› 基于支持向量机回归算法的小麦叶面积指数高光谱遥感反演

基于支持向量机回归算法的小麦叶面积指数高光谱遥感反演

基于支持向量机回归算法的小麦叶面积指数高光谱遥感反演
基于支持向量机回归算法的小麦叶面积指数高光谱遥感反演

第29卷第11期农业工程学报 V ol.29 No.11

2013年6月Transactions of the Chinese Society of Agricultural Engineering Jun. 2013 139 基于支持向量机回归算法的小麦叶面积指数高光谱遥感反演

林卉1,2,梁 亮2,3※,张连蓬2,杜培军1,4

(1. 中国矿业大学环境与测绘学院,徐州 221009; 2. 江苏师范大学测绘学院,徐州 221116;

3. 南京大学地理与海洋科学学院,南京 210093)

摘要:为给小麦田间管理提供基础数据,利用高光谱指数实现了小麦冠层叶面积指数(LAI)值的估测。在21种高光谱指数中筛选出了与LAI值相关性最强的指数OSA VI,建立了小麦LAI值反演的最小二乘支持向量回归(LS-SVR)模型。分析表明,模型校正集决定系数(C-R2)与预测集决定系数(P-R2)分别达0.851与0.848,可实现小麦LAI值的精确反演,且对LAI值较高与较低的样本均具备良好的预测能力,可有效避免冠层郁闭度等因素对估测结果的影响。利用LS-SVR模型与OMIS影像实现了小麦LAI遥感专题图的制作,其填图结果与地面实测值拟合模型R2达0.774,RMSE仅为0.476,2组数据具有较高的相似度。结果表明:可利用高光谱指数实现小麦冠层LAI值信息的准确获取,且OSA VI系反演建模的优选指数,LS-SVR为建模的优选算法。该研究可为小麦等农作物的长势评估提供参考。

关键词:遥感,支持向量机,回归分析,叶面积指数(LAI),反演,小麦

doi:10.3969/j.issn.1002-6819.2013.11.018

中图分类号:TP722, S123 文献标志码:A 文章编号:1002-6819(2013)-11-0139-08

林 卉,梁 亮,张连蓬,等. 基于支持向量机回归算法的小麦叶面积指数高光谱遥感反演[J]. 农业工程学报,2013,29(11):139-146.

Lin Hui, Liang Liang, Zhang Lianpeng, et al. Wheat leaf area index inversion with hyperspectral remote sensing based on support vector regression algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(11): 139-146. (in Chinese with English abstract)

0 引 言

叶面积指数(leaf area index, LAI)与植物的生长状态以及光合作用能力密切相关,是农作物水肥调控、长势监测以及产量评估的重要指标[1-2]。

因采用高光谱遥感进行LAI的测定具有快速、低耗以及非损伤性等优势,早在20世纪70年代,Wiegand等[3]就已开始研究植被光谱与LAI之间的相关性。随后,Bunnik等[4]的研究进一步表明,利用遥感数据可实现植被覆盖率与LAI的估测,从而为LAI的反演奠定了基础。随后,各种多光谱以及高光谱指数相继提出并被应用于植被LAI的反演研究。如Broge等[5]的研究表明优化型土壤调节指数OSAVI可较准确地实现农作物冠层LAI的估测,

收稿日期:2012-09-24 修订日期:2013-05-07

基金项目:江苏省自然科学基金(BK2012145),中国博士后基金(2013M531329),国家自然科学基金(411101428),国家科技支撑计划(2012BAH31B00),现代工程测量国家测绘地理信息局重点实验室经费资助项目(TJES1204),地理空间信息工程国家测绘局重点实验室经费资助项目(201310),江苏省高校自然科学研究面上项目(12KJB420001)。作者简介:林 卉(1973-),男,汉族,主要从事高分辨率与高光谱遥感影像处理。徐州中国矿业大学环境与测绘学院,221009。

※通讯作者:梁亮(1981-),男,博士,副教授,主要从事农业遥感方面的研究。徐州江苏师范大学测绘学院,221116.

Email: liangliang198119@https://www.doczj.com/doc/586791764.html,. 并能较好地消除土壤背景等干扰因子的影响。Darvishzadeh等[6]则在分析各种植被指数进行绿色植被的LAI值反演的同时探讨了土壤背景以及植被结构等因素对LAI反演精度的影响。后续的研究则把以高光谱进行LAI估测这一方法推广到各类植被,并根据研究对象选择适当的植被指数或光谱波段组合以提高LAI值估测的精确性。如Zhang等[7]对利用mSR与OSVAI等指数进行云杉这一针叶冠层各理化参量反演的效果进行了探讨,杨峰等[8]则分析了各种类型的植被指数与小麦、水稻等粮食作物LAI的相关性。赵鹏举等[9]以813与758 nm 处的光谱准确估测出了棉花的LAI值,Kyu-Sung等[10]则利用不同的方法对4种不同植被LAI值的反演结果进行了比较分析。另外,在马铃薯、大麦、甜菜以及烟草等作物LAI值的估测中,高光谱技术也获得了成功的应用[11-13]。

上述研究虽详细分析了各光谱指数进行作物LAI值估测的可行性,但因地物光谱的分辨率要远高于普通遥感数据,所建模型很难在遥感过程中应用。成像光谱技术的出现,给以遥感技术实现LAI 的准确估测带来了新的契机[14-15]。目前的高光谱影像已具备了很高的光谱分辨率(小于10 nm),可展现被测地物详细的光谱信息,使地物光谱所建的

农业工程学报 2013年140

模型应用于遥感过程成为可能。本文将利用地面光谱数据分析各光谱指数估测小麦LAI的能力,从中筛选出最佳指数后以支撑向量机回归算法(least squares support vector regression,LS-SVR)建立反演模型,再对遥感影像进行填图,实现小麦LAI的高光谱遥感反演。

1 材料与方法

1.1田间胁迫试验

试验区总占地约167 hm2,位于40°10′31″~40°11′18″N,16°26′10″~116°27′05″E,为暖温带大陆性季风气候区,地势较平坦,海拔高度在30~100 m之间,年均日照时数约2 684 h,年均降水量达507 mm,年均气温为13℃。本文试验于2007年冬小麦的生长季进行,为保证其LAI值有较大变化范围,使模型具备较广泛的适应性,在试验基地的24个小区(面积60 m×60 m)内分别进行了氮胁迫与水胁迫试验。2类胁迫各设置6个处理(施氮量:0~375 kg/hm2,级差75 kg;浇水量:0~1 125 m3/hm2,级差225 m3),每一处理包括2个重复(图1)。

图1 试验区域与采样点分布概况

Fig.1 Study area and basic situation of sample point

distribution 1.2 光谱数据采集与LAI值的测定

在小麦拔节后至孕穗前这一阶段内,利用FieldSpec Pro FR地物光谱仪采集其反射光谱。仪器光谱范围为350~2 500 nm,其中350~1 000 nm波段分辨率为3 nm,采样间隔为1.4 nm;在1 000~2 500 nm波段分辨率为10 nm,采样间隔为2 nm。光谱采集时间为10:00-15:00,选择的晴朗无云天气进行。采集时将传感器探头(25°视场角)置于冠层上方1.3 m处,并与冠层面保持垂直。所采集的光谱按文献[16-17]的方法进行消噪。

光谱采集的同时进行农学采样,将样本带回实验室以干重法进行LAI的测定。共采集样本174份,经分析发现其中有6个样本的数据存在异常,予以剔除,并将168份有效数据随机分为训练集(136份)与预测集(32份)以建立并验证反演模型。1.3 高光谱影像与地面检验数据采集

研究区域的高光谱影像以搭载于飞机平台的实用模块化成像光谱仪(operative modular imaging spectrometer, OMIS)获取。OMIS影像波段范围为0.46~12.5 μm,共有128个波段。航飞于4月11日10:30-13:30进行,飞行时气流稳定,天气晴朗,航高为1 000 m,对应的空间分辨率为3 m。为实现遥感填图的精度检验,影像获取的同时采集36个大田均布采样点的样本进行LAI的测定。各点坐标以DGPS(differential global positioning system)确定,因其中有6个样点落入了无苗区,最终获得30个有效检验数据(图1)。

1.4 表征小麦LAI的高光谱指数

由于叶绿素为主的叶片色素的吸收与叶肉细胞细胞壁的反射,使植被光谱的可见/近红外波段与LAI值存在很强的相关性[18]。为达到在敏感反映LAI的同时削弱环境因素的干扰这一目的,研究者已利用这些特征波段构建了NDVI705、mSR705、GNDVI以及OSAVI等一系列高光谱指数[19-32]。结合OMIS影像数据的特点(其可见/近红外波段的光谱范围为0.46~1.1 μm),本文在上述指数中选出认可度较高的16种进行LAI的估测(表1)。

表1 与LAI相关性较高的光谱指数

Table 1 Hyperspectral indices with high correlation of LAI

指数Index

计算公式或定义

Formula or definition

文献出处

referrences

Red edge normalized difference vegetation index(NDVI705)(ρ750?ρ705)/(ρ750+ρ705) [19] Modified red edge normalized difference vegetation index(mNDVI705)(ρ750?ρ705)/(ρ750+ρ705?2ρ445) [19],

[20]

Modified red edge simple ratio index(mSR705)(ρ750?ρ445)/(ρ705?ρ445) [19],

[20]

Red edge position index(REP)700+40[(ρ670+ρ780)/2?ρ700]/(ρ740?ρ700) [21] Photochemical reflectance index(PRI)(ρ531?ρ570)/(ρ531+ρ570) [22],

[23]

Normalized difference vegetation index(GNDVI)(ρ750?ρ550)/(ρ750+ρ550) [24] Normalized difference cloud index(NDCI)(ρ762?ρ527)/(ρ762+ρ527) [25] New vegetation index(NVI)(ρ777?ρ747)/R673 [26]

第11期林卉等:基于支持向量机回归算法的小麦叶面积指数高光谱遥感反演141

续表

指数Index

计算公式或定义

Formula or definition

文献出处

referrences

Ratios index for 1dB(RI1dB)ρ735/ρ720 [27] Modified chlorophyll absorption reflectance index(MCARI1) 1.2[2.5(ρ800?ρ670)?1.3(ρ800?ρ500)] [28] Difference vegetation index (DVI) ρ810?ρ680 [29] Modified triangle vegetation index (TVI BL) 0.5[120(ρ750?ρ500)?200(ρ670?ρ550)] [30]

Optimized soil adjusted vegetation index

(OSAVI)

(1+0.16)(ρ800?ρ670)/(ρ800+ρ670+0.16) [31] Vogelmann 1(VOG1)ρ740/ρ720 [32] Vogelmann 2 (VOG2)(ρ734?ρ747)/(ρ715+ρ726) [32]

Vogelmann 3 (VOG3)(ρ734?ρ747)/(ρ715+ρ720) [32] FD570570 nm处的一阶导数值本文

FD730730 nm处的一阶导数值本文

FD730-525730与525 nm处一阶导数差值本文

FD730/570730与570 nm处一阶导数比值本文

FD(525-570)/(525+570)525与570nm处一阶导数归一化值本文

其次,由于导数处理可有效去除光谱中的土壤背景值[33],故除文献报道的指数外,本文还采用525、570与730 nm处的一阶导数值,用差值、比值与归一化的方式构建了5种导数光谱指数与已有指数进行比较分析(表1)。

1.5 模型构建与遥感填图

首先通过分析训练样本散点图的特点,在各函数形式中择取最佳者用于建模。然后利用预测集样本对模型进行验证,并结合模型的拟合精度与预测能力筛选出最佳光谱指数,采用基于结构风险最小化原理的支持向量机回归(LS-SVR)算法实现建模算法的优化[34]。利用LS-SVR算法构建估测模型时,核函数类型、惩罚系数C与核函数参数g的选取对结果影响较大,本文利用文献[35]所介绍的方法,选用RBF核函数,通过交叉验证确定。为降低搜索难度与节省计算时间,交叉验证将采用分步格网搜索法(grid-search)进行,即第一步确定参数大概的取值范围,第二步则在第一步所确定的范围内进行搜索以获取最佳参数取值。

建立反演模型后,参考文献[36-37]的相关方法,对OMIS影像进行大气校正、几何校正以及去噪等预处理后,提取出小麦覆盖区域,并采用所构建的LS-SVR反演模型实现小麦LAI值的遥感填图,最后利用地面实测数据检验遥感填图结果的准确度。数据处理利用MATLAB 7.0与ENVI 4.8等软件完成。

2 结果与分析

2.1 光谱指数筛选

2.1.1 各光谱指数反演模型的比较分析

以模型校正与检验决定系数(C-R2与V-R2)以及校正与检验均方根误差(RMSEC与RMSEV)为指标对各指数估测结果进行比较分析,结果见表2。其中NDCI、GNDVI与FD(525-570)/(525+570) 3个指数的模型表达式为对数形式,余者均为直线方程,都具有形式简洁,意义明确的特点。在本试验所涉及的指数中,反演结果最好的6个指数依次为OSAVI、NDCI、GNDVI、FD730-525、FD730-570与FD(525-570)/(525+570)。其中OSAVI 所建模型C-R2与V-R2分别达0.832与0.825,在指数中最;RMSEC与RMSEV分别为0.478与0.461,在指数中最低,表明OSAVI对LAI有最佳的测能力,是建立小麦LAI反演模型的优选指数。

表2 各光谱指数LAI反演模型及其评价指标

Table 2 LAI inversion models and its evaluation indicators of

the spectral indices

评价指标Evaluating indicator 指数名称

Index name

模型

Model C-R2RMSEC V-R2RMSEV

NDVI705y=0.194e4.367x 0.765 0.466 0.7530.474

mNDVI705y=0.162e4.064x 0.716 0.472 0.7020.487

mSR705y=0.395e0.338x 0.676 0.604 0.6450.623

REP y=0.336x-245.2 0.464 0.843 0.4520.857

PRI y=27.321x+3.462 0.519 0.803 0.4910.819

G-NDVI y=0.024e6.801x 0.791 0.471 0.7860.482

NDCI y=0.0102e7.262x 0.811 0.460 0.8020.473

NVI y=1.451x+0.506 0.704 0.627 0.6930.635

RI1dB y=5.374x-5.925 0.755 0.607 0.7440.617

MCARI a y=0.063x-0.107 0.764 0.561 0.7530.576

DVI y=0.093x-0.165 0.753 0.581 0.7420.579

TVI BL y=-0.0017x-0.047 0.759 0.573 0.7490.581

OSAVI y=7.911x-2.468 0.832 0.478 0.8250.461

VOG1 y=4.001x-4.634 0.737 0.608 0.7310.586

VOG2 y=-11.163x-0.199 0.710 0.597 0.7020.597

VOG3 y

=-7.850x+2.071

0.682

0.496

0.6720.504

FD570y=-38.632x+0.651 0.749 0.583 0.7370.584

FD730y=4.124x+0.167 0.781 0.543 0.7750.553

FD730-525y=4.512x+0.315 0.793 0.524 0.7840.540

FD730-570y=3.813x+0.181 0.791 0.529 0.7790.544 FD(525 -570)/(525 +570)y=0.665x-0.906 0.782 0.506 0.7760.532

农业工程学报 2013年

142

2.1.2 各模型对不同LAI 值样本的预测能力分析

为评估各高光谱指数对不同LAI 值样本的估测能力,将样本按郁闭度高低分为3个子集进行比较分析。3个子集划分方法为:LAI 值小于1.5,低郁闭度样本集;在1.5~3.0之间,中等郁闭度样本集;大于 3.0,高郁闭度样本集。然后在各子集中随机抽样45 份,分别以OSAVI 、NDCI 、GNDVI 、

FD 730-525、

FD 730-570与FD (525-570)/(525+570)这6个指数所建模型进行预测,并以预测结果的RMSE 为指标对模型进行评价。若各指数对不同LAI 值样本都具有良好的预测能力,各子集的RMSE 将趋于一致。

各指数的预测结果见图2。6个指数对3个子集预测结果的RMSE 值则均随着LAI 值的上升而上升,说明随着小麦LAI 值增大,各指数均出现了一定程度的钝化现象。比较而言,OSAVI 对各子集预测结果的RMSE 极差仅为0.105,在6个指数中最小(极差最大者达到0.253),可对不同郁闭度的小麦LAI 值进行较准确的估测。

图2 各模型对不同LAI 值样本子集预测结果的均方根误差(n =135)

Fig.2 RMSE of prediction results for different sample subsets of different LAI values (n =135)

2.2 建模算法优化

为获取更高的反演精度,利用指数OSAVI ,以LS-SVR 算法实构建LAI 的估测模型,结果如表3所示,当惩罚系数C 取3.2,RBF 参数g 为0.20时,LS-SVR 模型可取得最佳结果。

表3 支撑向量机回归模型参数C 与g 寻优结果 Table 3 LS-SVR model parameters C and g optimization

results

参数取值 Parameter value 参数名称 Parameter name

步骤一 Step one 步骤二 Step two

惩罚系数 Penalty coefficient (C )0.001≤C ≤10 000 0.1≤C ≤100 RBF 参数 RBF parameter (g ) 0.01≤g ≤1 000 0.1≤g ≤10 搜索步长 Step-size in search 10(multiply) 2(multiply)

寻优结果Optimization Results

C =1; g =0.1

C =3.2; g =0.2

为比较LS-SVR 模型与线性模型的精度,分别将地面实测值与模型对训练集样本的拟合值进行回归分析。结果表明LS-SVR 与线性模型均具备较高的精度,但LS-SVR 模型所估测的样本点在回归

线附近的集中程度更高,其回归方程的斜率(Slope =0.843)比指数模型(Slop e=0.831)更接近

于1,决定系数(R 2=0.851)

也比指数模型(R 2=0.832)高,而偏移(Offset =0.374)与校正集均方根误差(RMSEC =0.467)则比指数模型(Offset =0.386,RMSEC =0.478)要低,说明LS-SVR 模型对校正集样本有更好的拟合精度(图3)。

为比较2类模型的预测能力,分别利用LS-SVR 模型与线性模型对预测集的32个样本进行估测,并将估测结果分别与实测值进行拟合分析。由拟合分析的结果可知,2类模型对预测集样本均具有良好的估测结果,但比较而言LS-SVR 预测能力更强:其拟合方程的斜率达0.911,比线性模型(Slope =0.888)更接近于1;偏移仅为0.283,比线性模型(Offset =0.297)更小;预测集决定系数为0.848,比线性模型(R 2=0.827)稍高;预测误差均方根为0.441,比线性模型(RSMEP =0.459)低。这一结果说明LS-SVR 模型对检验集与预测集样本

第11期 林 卉等:基于支持向量机回归算法的小麦叶面积指数高光谱遥感反演

143

都具有比线性模型更高的估测精度,是建模的优选

方法(图4)。

图3 LS-SVR 模型与线性模型对训练集样本LAI 值的估测结果分析

Fig.3 Fitted results for calibration samples of the LS-SVR model and linear model

图4 LS-SVR 模型与线性模型对预测集样本LAI 值的估测结果分析(n =32)

Fig.4 Prediction results for prediction samples of the LS-SVR model and Linear model (n =32)

2.3 小麦LAI 值遥感填图 2.

3.1 小麦覆盖区域提取

为避免其他地物类型对小麦LAI 的遥感填图造成干扰,需实现小麦覆盖区域的提取。将经过除噪、几何校正与大气校正的OMIS 影像进行最小噪声分离处理后,通过计算像元的纯度指数获取影像上各地物的端元波谱。然后以所采集的小麦冠层光谱为依据,通过光谱匹配技术实现小麦的端元波谱的识别。最后利用小麦端元波谱,以光谱角填图的方法实现小麦覆盖区域的提取。将少量错误提取的零散像元进行修正后,获得的小麦覆盖区域如图5所示。 2.3.2 小麦LAI 的遥感填图与精度检验

提取出小麦覆盖区域后,利用LS-SVR 估测模型进行OMIS 影像的遥感填图,便可得到小麦LAI 的空间分布专题图,结果如图6所示。结合地理坐标,可利用此图对小麦覆盖区内任意一点的LAI 值进行查询,从而为农艺决策提供科学依据。

为检验LS-SVR 模型应用于高光谱遥感填图的精度,将同步采样所获取的地表实测数据(详细方

图5 研究区域小麦覆盖区提取结果 Fig.5 Wheat overlay area in study area

农业工程学报 2013年

144

法见本文1.3节)与LAI 空间分布专题图上同名点的反演值进行拟合分析,以拟合模型R 2与RMSE 为指标对填图结果进行评估。2组数据拟合分析结果如图7所示,其回归方程斜率与R 2分别达0.812与0.774,偏移与RMSE 分别为0.486与0.476,具有较高的相似性。表明填图结果可较好地反映研究区域小麦LAI 值分布的实际情况,利用地物光谱所建立的LS-SVR 模型可成功应用于OMIS 影像LAI 值的反演。

图6 小麦LAI 空间分布图

Fig.6

Spatial distribution map of wheat LAI

图7 LAI 实测值与反演值拟合分析结果 Fig.7 LAI measured value versus inversion value

3 结论与讨论

3.1 讨 论

比较分析表明,指数OSAVI 可较好地表征小麦LAI 值,其反演结果优于NDVI 705等常用植被指数。其原因可能是NDVI 705等指数受大气状况、土壤背景以及植物冠层凋落物等因素变化的影响较大,而指数OSAVI 则利用计算式中的冠层背景校正因子项消除了大气条件与土壤背景的大部分影响[38-39],因此具有更好的抗干扰能力,获得了更精确的反演结果。

建模算法是对反演结果影响较大的另一因素。分析表明,LS-SVR 模型比线性模型的估算结果更精确。但利用LS-SVR 算法建模需要对参数C 与g 寻优,传统的格网搜索法存在计算量过大、耗时太长的问题。研究参考文献[17]所选用的方法,以分步搜索的方法解决这一问题,实现了LS-SVR 模型参数最佳取值的准确与快速获取。

本文所构建的指数FD 730-525、FD 730-570以及

FD (525 -570)/(525 +570)虽然没有取得最佳结果,

但取优于NDVI 705等常用指数。原因可能在于这几个指数系利用导数光谱所构建,而导数处理具有消除植被光谱中土壤背景,使光谱指数更精确地表征植被理化参量的功能[34]。因此,如何更有效地利用小麦导数光谱构建指数以实现作物理化参量的精确反演值得进一步探讨。 3.2 结 论

LAI 系农作物长势监测与健康情况评估的良好指标。本文以冠层反射光谱数据为基础,建立了小麦LAI 值反演的LS-SVR 模型,其校正集决定生活费数C-R 2与预测集决定系数P-R 2分别为0.851与0.848,取得了准确的估测结果;比较分析表明,高光谱指数OSAVI 能可靠地表征小麦LAI 值,是反演建模的优选指数,而LS-SVR 模型可取得比线性模型更准确的结果,是模型构建的优选算法;利用LS-SVR 模型对OMIS 影像进行填图,填图结果与地面实测结果较为接近(2组数据拟合模型R 2为0.774,RMSE 为0.476),表明遥感填图结果可靠性较高,可作为小麦田间管理农艺决策的科学依据。

[参 考 文 献]

[1]

Collins W. Remote sensing of crop type and maturity[J]. Photogrammetric Engineering and Remote Sensing, 1978, 44(1): 43-55.

[2]

Inoue Y. Synergy of remote sensing and modeling for estimating ecophysiological processes in plant production[J]. Plant Production Science, 2003(6): 3-16.

[3]

Wiegand C L, Gausman H W, Cuellar J A, et al. Vegetation density as deduced from ERTS-1 MSS response[C]// Proceedings of third ETRS Symposium, 1974(1): 93-116.

[4]

Bunnik N J. The multispectral reflectance of shortwave radiation by agricultural crops in relation with their morphological and optical properties[D]. Mededelingen Landbouwhoge School, Wageningen, Netherlands, 1978. [5]

Broge N H, Mortensen J V. Deriving green crop area index and canopy chlorophyll density of winter wheat from spectral reflectance data[J]. Remote Sensing of Environment, 2002, 81(1): 45-57.

[6]

Darvishzadeh R, Skidmore A, Atzberger C, et al. Estimation of vegetation LAI from hyperspectral reflectance data: Effects of soil type and plant architecture[J]. International Journal of Applied Earth

第11期林卉等:基于支持向量机回归算法的小麦叶面积指数高光谱遥感反演145

Observation and Geoinformation, 2008, 10(3): 358-373. [7] Zhang Yongqin, Chen Jing M, John R Miller, et al. Leaf

chlorophyll content retrieval from airborne hyperspectral

remote sensing imagery[J]. Remote Sensing of Environment, 2008, 112(5): 3234-3247.

[8] 杨峰,范亚民,李建龙,等. 高光谱数据估测稻麦叶

面积指数和叶绿素密度[J]. 农业工程学报,2010,

26(2):237-243.

Yang Feng, Fang Yamin, Li Jianlong, et al. Estimating

LAI and CCD of rice and wheat using hyperspectral

remote sensing data[J]. Transactions of the Chinese

Society of Agricultural Engineering (Transactions of the

CSAE), 2010, 26(2): 237-243.(in Chinese with English

abstract)

[9] 赵鹏举,王登伟,黄春燕,等. 基于高光谱数据的棉

花冠层FPAR和LAI的估算研究[J]. 棉花学报,2009,

21(5):388-393.

Zhao Pengju, Wang Dengwei, Huang Chunyan, et al.

Estimating of cotton canopy fraction of photosynthetically

active radiation and leaf area index based on hyperspectral remote sensing data[J]. Cotton Science,

2009, 21(5): 388-393. (in Chinese with English

abstract)

[10] Kyu-Sung L, Warren B.C, Robert E K, et al.

Hyperspectral versus multispectral data for estimating

leaf area index in four different biomes[J]. Remote

Sensing of Environment, 2004, 91(3/4): 508-520.

[11] Ray S S, Das G, Singh J P, et al. Evaluation of

hyperspectral indices for LAI estimation and discrimination of potato crop under different irrigation

treatments[J]. International Journal of Remote Sensing,

2006, 27(24): 5373-5387.

[12] Jaromir Borzuchowski, Karsten Schulz. Retrieval of leaf

area index (LAI) and soil water content (WC) using

hyperspectral remote sensing under controlled glass

house conditions for spring barley and sugar beet[J].

Remote Sensing 2010(2): 1702-1721.

[13] Zhang ZhengYang, Ma XinMing, Liu Guoshun, et al. A

study on hyperspectral estimating models of tobacco leaf

area index[J]. African Journal of Agricultural Research,

2011, 6(2): 289-295.

[14] Haboudanea D, Miller J R, Pattey E, et al. Hyperspectral

vegetation indices and novel algorithms for predicting

green LAI of crop canopies: Modeling and validation in

the context of precision agriculture[J]. Remote Sensing of

Environment, 2004, 90(3): 337-352.

[15] Müller K, B?ttcher U, Meyer-Schatz F, et al. Analysis of

vegetation indices derived from hyperspectral reflection

measurements for estimating crop canopy parameters of

oilseed rape (Brassica napus L.) [J]. Biosystems

engineering, 2008, 101(2): 172-182.

[16] 梁亮,杨敏华,臧卓. 基于小波去噪与SVR的小麦冠

层氮含量高光谱测定[J]. 农业工程学报,2010,26(12):

248-253.

Liang Liang, Yang Minhua, Zang Zhuo. Determination of

wheat canopy nitrogen content ratio by hyperspectral

technology based on wavelet denoising and support

vector regression. Transactions of the Chinese Society of

Agricultural Engineering (Transactions of the CSAE),

2010, 26(12): 248-253. (in Chinese with English

abstract)

[17] 梁亮,杨敏华,邓凯东,等. 一种估测小麦冠层氮含

量的新高光谱指数[J]. 生态学报,2011,31(21):6594

-6605.

Liang Liang, Yang Minhua, Deng Kaidong, et al. A new

hyperspectral index for the estimation of nitrogen

contents of wheat canopy[J]. Acta Ecologica Sinica, 2011,

31(21): 6594-6605. (in Chinese with English abstract) [18] 延森. 遥感数据图像处理导论[M]. 陈晓玲,龚威,李

平湘,等译. 北京:机械工业出版社,2007:288-296.

[19] Sims D A, Gamon J A. Relationships between leaf

pigment content and spectral reflectance across a wide

range of species, leaf structures and developmental

stages[J]. Remote Sensing of Environment, 2002, 81(2/3):

337-354.

[20] Datt, B. A New reflectance index for remote sensing of

chlorophyll content in higher plants: tests using eucalyptus leaves[J]. Journal of Plant Physiology, 1999,

154(1): 30-36.

[21] Clevers J G. Imaging spectrometry in agriculture-plant

vitality and yield indicators[C]//in Hill J and Megier

J(Eds), Imaging spectrometry-a tool for environmental

observations, Dordrecht, Netherlands: Kluwer Academic,

1994: 193-219.

[22] Gamon J A, Penuelas J, Field C B. A narrow-waveband

spectral index that tracks diurnal changes in photosynthetic efficiency[J]. Remote Sensing of Environment, 1992, 41(1): 35-44.

[23] Gamon J A, Serrano L, Surfus J S. The photochemical

reflectance index: an optical indicator of photosynthetic

radiation use efficiency across species, functional types,

and nutrient levels[J]. Oecologia, 1997, 112(4): 492-501. [24] Gitelson, A A, Merzlyak M N. Signature analysis of leaf

reflectance spectra: algorithm development for remote

sensing of chlorophyll[J]. Journal of Plant Physiology,

1996, 148: 494-500.

[25] Marshak A, Knyazikhin Y, Davis A B, et al. Cloud-

vegetation interaction: Use of normalized difference

cloud index for estimation of cloud optical thickness[J].

Geophysical Research letters, 2000, 27(12): 1695-1698. [26] Gupta R K, Vijayan D, Prasad T S. New hyperspectral

vegetation characterization parameters[J]. Advances in

Space Research, 2001, 28(1): 201-206.

[27] Gupta R K, Vijayan D, Prasad T S. Comparative analysis

of red edge hyperspectral indices[J]. Advance Space

Research, 2003, 32(11): 2217-2222.

[28] Haboudane D, Miller J R, Tremblay N, et al. Integrated

narrow-band vegetation indices for prediction of crop

chlorophyll content for application to precision agriculture[J]. Remote Sensing of Environment, 2002,

81(2/3): 416-426.

[29] Richardson A J, Wiegand C L. Distinguishing vegetation

from soil background information (by gray mapping of

Landsat MSS data)[J]. Photogrammetric Engineering and

Remote Sensing, 1997, 43: 1541-1552.

[30] Broge N H, Leblanc E. Comparing prediction power and

stability of broadband and hyperspectral vegetation

indices for estimation of green leaf area index and canopy

农业工程学报 2013年146

chlorophyll density[J]. Remote Sensing of Environment,

2001, 76(2): 156-172.

[31] Rondeaux G, Steven M, Baret F. Optimization of

soil-adjusted vegetation indices[J]. Remote Sensing Environment, 1996, 55(2): 95-107.

[32] Vogelmann, J E, Rock B N, Moss D M. Red edge

spectral measurements from sugar maple leaves[J].

International Journal of Remote Sensing, 1993, 14(8):

1563-1575.

[33] Demetriades-Shah T H,Steven M D,Clark J A.High

resolution derivative spectra in remote sensing[J].

Remote Sensing of Environment, 1990, 33(1): 55-64. [34] Vapnik V N. Statistical Learning Theory[M]. New York:

Wiley, 1998: 1-50.

[35] HSU C W, CHANG C C, LIN C J. https://www.doczj.com/doc/586791764.html,/~

cjlin/papers/guide/guide.pdf.

[36] 梁亮,杨敏华,张连蓬,等. 基于SVR算法的小麦冠

层叶绿素含量高光谱反演[J]. 农业工程学报,2012,

28(20):162-171.

Liang Liang, Yang Minhua, Zhang Lianpeng, et al.

Chlorophyll content inversion with hyperspectral technology

for wheat canopy based on support vector regression algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(20): 162-171. (in Chinese with English abstract) [37] 梁亮,杨敏华,张连蓬,等. 基于导数光谱的小麦叶

片含水量反演[J]. 中国农业科学,2013,46(1):18-

29.

Liang Liang, Yang Minhua, Zhang Lianpeng, et al.

Estimating canopy leaf water content in Wheat based on

derivative spectra[J]. Scientia Agricultura Sinica, 2013,

46(1):18-29. (in Chinese with English abstract)

[38] Qi J, Cabot F, Moran M S, et al. Biophysical parameter

estimations using multidirectional spectral measurements[J].

Remote sensing of Environment, 1995, 54(1): 71-83. [39] Qi J, Chehbouni A, Huete A R, et al. A modified soil

adjusted vegetation index[J]. Remote Sensing of Environment, 1994, 48(2): 119-126.

Wheat leaf area index inversion with hyperspectral remote sensing based on support vector regression algorithm

Lin Hui1,2, Liang Liang2,3※, Zhang Lianpeng2, Du Peijun1,4

(1. School of Environment Science and Spatial Informatics of China University of Mining and Technology, Xuzhou 221009, China;

2. School of Geodesy and Geomatics, Jiangsu Normal University, Xuzhou 221116, China;

3. School of Geographic and

Oceanographic Sciences, Nanjing University, Nanjing 210093, China)

Abstract: Determination of crops' leaf area index (LAI) is of great significance for growth monitoring, water-fertilizer regulation and yield assessment. For the sake of providing basic data for wheat field management, estimation of LAI value of wheat canopy was conducted by using hyperspectral indices. The optimization of Soil-adjusted Vegetation Index(OSAVI)which is the strongest correlation with LAI was selected from 16 kinds of existing hyperspectral indices like GREEN-NDVI and 5 kinds of newest established hyperspectral indices like FD730, and linear model for wheat LAI inversion was established by adopting the Least Squares Method algorithm. The analysis results showed that the calibration set decision coefficient (C-R2) and prediction set decision coefficient (P-R2) of the model reached 0.832 and 0.825 respectively, the Root Mean Square Error of Calibration set (RMSEC) and the Root Mean Square Error of Prediction set (RMSEP) were 0.478 and 0.461 correspondingly, so the accurate inversion of wheat LAI could been realized. To further improve inversion precision, the model was optimized by using the Least Squares Support Vector Regression (LS-SVR). In comparison with linear model, the coefficients of C-R2 and P-R2 reached 0.851 and 0.848 respectively, obviously, higher than the ones of linear model. In the meantime, RMSEC and RMSEP were 0.467 and 0.441 correspondingly, lower than the ones of linear model. The facts also demonstrated that the LS-SVR model was better than linear model for inversion. In order to analyze prediction ability of OSVAI with regard to different LAI samples, comparative analysis was implemented between OSVAL index and the indices such as GREEN-NDVI. The results indicated that OSVAI model built had good prediction ability for the higher LAI value samples and the lower LAI value samples, and meanwhile it could also avoid influencing the result of estimation by the canopy density effectively. Finally, remote sensing thematic map of wheat LAI was achieved by using the LS-SVR model with the OMIS images. By comparing the map result with the ground measurement, the R2 value of fitting model was 0.774, the RMSE was only 0.476, which proved that higher similarity existed in the two sets of data. The results indicated that wheat canopy LAI information could be acquired accurately by using hyperspectral indices, and OSAVI was optimal index for inversion modeling, LS-SVR was the optimization algorithm for modeling. The study can provide a reference for crops growth assessment such as wheat.

Key words: remote sensing, support vector machines, regression analysis, LAI, inversion, wheat

考虑红边特性的多平台遥感数据叶面积指数反演方法研究

考虑红边特性的多平台遥感数据叶面积指数反演方法研究 叶面积指数(Leaf Area Index,LAI)是最重要的植被结构参数之一,是作物长势监测、作物估产、肥水管理等精准农业必备的数据源。遥感技术为大面积、及时获取LAI提供了有效手段。红边波段能够用于研究植物养分及健康状态监测、植被识别和生理生化参数等信息, 是定量遥感分析的理论基础。利用不同遥感数据估测植被LAI各有其优劣性,叶面积指数反演过程中需要充分挖掘包含红边波段的不同数 据源的特点。例如,高光谱数据红边波段数量多、波段窄,但是存在波段间高度相关、数据冗余的问题;包含单个红边波段的多光谱数据, 红边波段较宽,比高光谱数据的红边波段缺少了许多细节;包含多个 红边波段的多光谱数据,可以反映更多红边区域的光谱细节,并且由 于红边区域反射率迅速上升,红边区域内的不同波段之间存在较大差别,在实际反演中需要进行合理选择。本文针对不同遥感数据源的特点,围绕红边波段进行叶面积指数反演研究,主要研究内容及结论如下:(1)基于近地和航空高光谱数据红边波段的叶面积反演方法研究。基于研究区域采集的近地、航空高光谱数据和田间同步试验测量LAI 数据,探究航空和地面高光谱数据红边区域对冬小麦LAI的反演能力。首先,建立高光谱植被指数反演模型,进而研究红边波段组合法和传 统波段组合、逐波段组合方法对植被指数反演LAI精度的影响,结果 显示在红边区域680-750nm波段范围内,波段组合得到的植被指数与LAI的相关性非常高。最后,针对不同肥水条件下叶面积指数的特征 光谱及参数随不同试验条件存在差异,本文基于航空和近地高光谱数

据,以及田间实测数据,建立了基于高光谱植被指数MSAVI(Modified Soil-Adjusted Vegetation Index),NDVI(Normalized Difference Vegetation Index)和MTVI2(Modified Triangular Vegetation Index 2)的普适性强、精度高的冬小麦叶面积指数估算模型。(2)基于包含单个红边波段的多光谱卫星数据反演作物叶面积指数方法研究。针对一般红边波段代替红波段的改进植被指数多是基于单一时相、单一作物实现LAI估算中存在的对叶绿素含量的干扰因素考虑不足的缺陷,本文提出基于红边波段和红波段进行组合改进的新植被指数 ndvired&re(red-edgenormalizeddifferencevegetationindex),msr red&re(red-edgemodifiedsimpleratioindex)和 cired&re(red-edgechlorophyllindex)。依据田间实测的不同生育时期的四种作物(小麦,大麦,苜蓿,玉米)的叶面积指数和与田间试验准同步的rapideye卫星影像,建立基于植被指数的反演模型,结果证明本文提出的植被指数克服了在多时相和多种类型作物的情况下叶绿 素含量的变化对lai反演的影响,有效提高了lai的反演精度,比一般红边波段代替红波段的植被指数反演结果的决定系数提高至少10%。 (3)基于包含多个红边波段的多光谱卫星数据反演作物叶面积指数方法研究。面对包含多个红边波段的新发射多光谱卫星在作物参数反演中的研究尚未成熟的情况,本文以搭载两个红边波段的sentinel-2 卫星为例,针对不同红边波段之间光谱差异、多个红边波段的波段选择等问题,采用三种叶面积指数反演的经典方法:查找表、神经网络和植被指数法,建立冬小麦叶面积指数反演模型。作为对比,同时利用不

支持向量机及支持向量回归简介

3.支持向量机(回归) 3.1.1 支持向量机 支持向量机(SVM )是美国Vapnik 教授于1990年代提出的,2000年代后成为了很受欢迎的机器学习方法。它将输入样本集合变换到高维空间使得其分离性状况得到改善。它的结构酷似三层感知器,是构造分类规则的通用方法。SVM 方法的贡献在于,它使得人们可以在非常高维的空间中构造出好的分类规则,为分类算法提供了统一的理论框架。作为副产品,SVM 从理论上解释了多层感知器的隐蔽层数目和隐节点数目的作用,因此,将神经网络的学习算法纳入了核技巧范畴。 所谓核技巧,就是找一个核函数(,)K x y 使其满足(,)((),())K x y x y φφ=,代 替在特征空间中内积(),())x y φφ(的计算。因为对于非线性分类,一般是先找一个非线性映射φ将输入数据映射到高维特征空间,使之分离性状况得到很大改观,此时在该特征空间中进行分类,然后再返会原空间,就得到了原输入空间的非线性分类。由于内积运算量相当大,核技巧就是为了降低计算量而生的。 特别, 对特征空间H 为Hilbert 空间的情形,设(,)K x y 是定义在输入空间 n R 上的二元函数,设H 中的规范正交基为12(),(),...,(), ...n x x x φφφ。如果 2 2 1 (,)((),()), {}k k k k k K x y a x y a l φφ∞ == ∈∑ , 那么取1 ()() k k k x a x φφ∞ ==∑ 即为所求的非线性嵌入映射。由于核函数(,)K x y 的定义 域是原来的输入空间,而不是高维的特征空间。因此,巧妙地避开了计算高维内 积 (),())x y φφ(所需付出的计算代价。实际计算中,我们只要选定一个(,)K x y ,

遥感反演土壤湿度的主要方法

遥感反演土壤湿度的主要方法 遥感反演土壤湿度根据波段的不同分为3类:微波遥感土壤湿度法;作物植被指数法;热红外遥感监测法(主要是应用热惯量模型)。 1.1 微波遥感土壤湿度法 分主动微波遥感监测法和被动微波遥感监测法两种。此方法物理基础坚实,即土壤的介电特性 和土壤含水量密切相关,水分的介电常数大约为80,干土仅为3,它们之间存在较大的反差。土壤的介电常数随土壤湿度的变化而变化,表现于卫星遥感图像上将是灰度值G亮度温度Tb的变化。因此,微波遥感土壤水分的方法被广泛地应用于实际的监测工作中。 1.1.1 主动微波遥感监测法 以应用x波段侧视雷达为主,主要是后向反射系数法。因为含水量的多少直接影响土壤的介电常数,使雷达回波对土壤湿度反映极为敏感,据此可建立后向散射系数和土壤水分含量之间的函数关系。国内李杏朝据微波后向反射系数法,用x波段散射计测量土壤后向反射系数,与同步获得的X 波段、HH极化机载SAR图像一起试验监测土壤水分;田国良等在河南也应用此方法也进行土壤水分研究。主动微波遥感土壤水分精度较高,且可以全天候使用,成为监测水分最灵活、最适用、最有 效的方法,随着大量的主动微波遥感器的卫星(ERS系列、EOS、SAR、Radar sat、ADEOS、TRMM 等)的发射升空,将使微波遥感的成本不断下降,逐渐被应用于实践 1.1.2 被动微波遥感监测法 原理同主动微波遥感法。值得指出,植被在地表过程研究中的影响突出,为了消除植被的影响,必须同时重视植被的遥感监测,建立相关的计算模型。Teng等通过实验得出在浓密植被覆盖区土壤湿度监测中应避免使用19GHZ波段,此时SMMR 的6.6GHZ波段比SSM/I的19GHZ在遥感监测土壤湿度信息方面的精度更高。说明在植被较密时,为了消除植被对土壤湿度反演的影响,应尽量 选择波段较长的微波辐射计。 1.2 作物植被指数法 采用此方法是基于植被在可见光部分叶绿素吸收了70%-90%红光,反射了大部分绿光,而由 于叶肉组织的作用,后行叶片在近红外波段的反射较强。通过各光谱波段所反射的太阳辐射的比来 表达,这就叫植被指数。常用的植被指数有:归一化植被指数(Normal Difference Vegetation Index, NDVI)、比值植被指数(Ratio Vegetation Index, RVI)距平植被指数(Average Vegetation Index, AVI)和植被条件指数(Vegetation Condition Index,VCI)。 1.3 热红外遥感监测法 土壤热惯量和土壤水分的关系密切,即土壤水分高,热惯量大,土壤表面的昼夜温差小,反之 亦然。热红外遥感手段主要利用地表温度日变化幅度、植被冠层和冠层空气温差、表观热惯量、热 模型(蒸散比)估测土壤含水量[5]。 土壤热惯量法是土壤热特性的综合性参数,定义为: P = tCm (1) (1)式中:P为热惯量(J/m2 k?S1/2);ρ为密度(kg/m3 );C为比热(J/kg?k);λ为热导率。在实际工作中,常用表观热惯量来代替P: ATI=(1一A)/(Td-Tn) (2) 式中:Td、Tn分别为昼夜温度,A为全波段反照率。

向量自回归模型简介

一、Var模型的基本介绍 向量自回归模型(Vector Autoregressive Models,VAR)最早由Sims(1980)提出。他认为,如果模型设定和识别不准确,那么模型就不能准确地反应经济系统的动态特性,也不能很好地进行动态模拟和政策分析。因此,VAR模型通常使用最少的经济理论假设,以时间序列的统计特征为出发点,通常对经济系统进行冲击响应(Impulse-Response)分析来了解经济系统的动态特性和冲击传导机制。由于VAR模型侧重于描述经济的动态特性,因而它不仅可以验证各种经济理论假设,而且在政策模拟上具有优越性。 VAR模型主要用于替代联立方程结构模型,提高经济预测的准确性。用联立方程模型研究宏观经济问题,是当前世界各国经济学者的一种通用做法,它把理论分析和实际统计数据结合起来,利用现行回归或非线性回归分析方法,确定经济变量之间的结构关系,构成一个由若干方程组成的模型系统。联立方程模型适合于经济结构分析,但不适合于预测:联立方程模型的预测结果的精度不高,其主要原因是需要对外生变量本身进行预测。与联立方程模型不同,VAR模型相对简洁明了,特别适合于中短期预测。目前,VAR模型在宏观经济和商业金融预测等领域获得了广泛应用。 二、VAR模型的设定 VAR模型描述在同一样本期间内的n个变量(内生变量)可以作为它们过去值的线性函数。 一个VAR(p)模型可以写成为: 或: 其中:c是n × 1常数向量,A i是n × n矩阵,p是滞后阶数,A(L)是滞后多项式矩阵,L是滞后算子。是n × 1误差向量,满足: 1. —误差项的均值为0 2. Ω—误差项的协方差矩阵为Ω(一个n × 'n正定矩阵) 3.(对于所有不为0的p都满足)—误差项不存在自相关 虽然从模型形式上来看比较简单,但在利用VAR模型进行分析之前,对模型的设定还需要意以下两点: 一是变量的选择。理论上来讲,既然VAR模型把经济作为一个系统来研究,那么模型中

叶面积指数获取方法

A.直接方法直接测定方法是一种传统的、具有一定破坏性的方法。 1、叶面积的测定,传统的格点法和方格法。 2、描形称重法. 在一种特定的坐标纸上,用铅笔将待测叶片的轮廓描出并依叶形剪下坐标纸,称取叶形坐标纸重量,按公式计算叶面积. 3、仪器测定法. 叶面积测定仪可以分成两种类型,分别通过扫描和拍摄图像获取叶面积. 扫描型叶面积仪主要由扫描器(扫描相机) 、数据处理器、处理软件等组成,可以获得叶片的面积、长度、宽度、周长、叶片长度比和形状因子以及累积叶片面积等数据,主要仪器有: CI - 202 便携式叶面积仪、L I- 3000台式或便携式叶面积仪、AM - 300手持式叶面积仪等. 此外,还有使用台式扫描仪和专业图像分析软件测定的方法. 图像处理型 叶面积仪由数码相机、数据处理器、处理分析软件和计算机等组成,可以获取叶片面积、形状等数据,主要仪器有:W IND I2AS图象分析系统、SKYE 叶片面积图像分析仪、Decagon - Ag图象分析系统、WinFOL IA 多用途叶面积仪等. B、间接方法间接方法是用一些测量参数或用光学仪器得到叶面积指数,测量方便快捷,但仍需要用直接方法所得结果进行校正。 1、点接触法 点接触法是用细探针以不同的高度角和方位角刺入冠层,然后记录细 探针从冠层顶部到达底部的过程中针尖所接触的叶片数目,用以下公式计算. 式中,LA I为叶面积指数, n为探针接触到的叶片数, G (θ) 为投影函数,θ为天顶角. 当天顶角为57.5°时,假设叶片随机分布和叶倾角椭圆分布 ,则冠层 叶片的倾角对消光系数K的影响最小,此时采用32.5°倾角刺入冠层,会得出较准确的结果,用以下公式计算. 点接触法是由测定群落盖度的方法演进而来的 ,在小作物LA I的测量中较准确 ,但在森林中应用比较困难 ,主要是由于森林植物树体高大以及针叶树种中高密度的针叶影响了测定。 2、消光系数法 该法通过测定冠层上下辐射以及与消光系数该法通过测定冠层上下辐射以及与消光系数相关的参数来计算叶面积指数,前提条件是假设叶片。随机分布和叶倾角呈椭圆分布,由Beer - Lambert定 律知:

支持向量回归简介

支持向量回归简介 人类通过学习,从已知的事实中分析、总结出规律,并且根据规律对未来 的现象或无法观测的现象做出正确的预测和判断,即获得认知的推广能力。在对智能机器的研究当中,人们也希望能够利用机器(计算机)来模拟人的良好学习能力,这就是机器学习问题。基于数据的机器学习是现代智能技术中的重要方面,机器学习的目的是通过对已知数据的学习,找到数据内在的相互依赖关系,从而获得对未知数据的预测和判断能力,在过去的十几年里,人工神经网络以其强大的并行处理机制、任意函数的逼近能力,学习能力以及自组织和自适应能力等在模式识别、预测和决策等领域得到了广泛的应用。但是神经网络受到网络结构复杂性和样本复杂性的影响较大,容易出现“过学习”或低泛化能力。特别是神经网络学习算法缺乏定量的分析与完备的理论基础支持,没有在本质上推进学习过程本质的认识。 现有机器学习方法共同的重要理论基础之一是统计学。传统统计学研究的是样本数目趋于无穷大时的渐近理论,现有学习方法也多是基于此假设。但在实际问题中,样本数往往是有限的,因此一些理论上很优秀的学习方法实际中表现却可能不尽人意。 与传统统计学相比, 统计学习理论(Statistical Learning Theory 或SLT ) 是一种专门研究小样本情况下机器学习规律的理论Vladimir N. Vapnik 等人从六、七十年代开始致力于此方面研究,到九十年代中期,随着其理论的不断发展和成熟[17] ,也由于神经网络等学习方法在理论上缺乏实 质性进展, 统计学习理论开始受到越来越广泛的重视。 统计学习理论是建立在一套较坚实的理论基础之上的,为解决有限样本学习问题提供了一个统一的框架。它能将很多现有方法纳入其中,有望帮助解决许多原来难以解决的问题(比如神经网络结构选择问题、局部极小点问题)等;同时, 在这一理论基础上发展了一种新的通用学习方法—支持向量机(Support Vector Machine 或SVM ) ,它已初步表现出很多优于已有方法的性能。一些学者认为,SVM 正在成为继神经网络研究之后新的研究热点,并将有力地推动机 器学习理论和技术的发展。 支持向量机(SVM )是一种比较好的实现了结构风险最小化思想的方法。它的机器学习策略是结构风险最小化原则为了最小化期望风险,应同时最小化经验风险和置信范围) 支持向量机方法的基本思想: (1 )它是专门针对有限样本情况的学习机器,实现的是结构风险最小化:在对给定的数据逼近的精度与逼近函数的复杂性之间寻求折衷,以期获得最好的推广能力; (2 )它最终解决的是一个凸二次规划问题,从理论上说,得到的将是全局最优解,解决了在神经网络方法中无法避免的局部极值问题; (3 )它将实际问题通过非线性变换转换到高维的特征空间,在高维空间中构造线性决策函数来实现原空间中的非线性决策函数,巧妙地解决了维数问题,并保证了有较好的推广能力,而且算法复杂度与样本维数无关。 目前,SVM 算法在模式识别、回归估计、概率密度函数估计等方面都有应用,且算法在效率与精度上已经超过传统的学习算法或与之不相上下。

【CN109975250B】一种叶面积指数反演方法及装置【专利】

(19)中华人民共和国国家知识产权局 (12)发明专利 (10)授权公告号 (45)授权公告日 (21)申请号 201910333471.7 (22)申请日 2019.04.24 (65)同一申请的已公布的文献号 申请公布号 CN 109975250 A (43)申请公布日 2019.07.05 (73)专利权人 中国科学院遥感与数字地球研究 所 地址 100101 北京市朝阳区大屯路甲20号 北 专利权人 首都师范大学 (72)发明人 董莹莹 李雪玲 朱溢佞 叶回春  黄文江  (74)专利代理机构 北京集佳知识产权代理有限 公司 11227 代理人 杨华 王宝筠 (51)Int.Cl.G01N 21/552(2014.01)G06N 3/04(2006.01)G06N 3/08(2006.01)审查员 李新科 (54)发明名称 一种叶面积指数反演方法及装置 (57)摘要 本申请公开了一种叶面积指数反演方法及 装置,其中,方法包括:获取遥感植被冠层光谱反 射率数据,将遥感植被冠层光谱反射率数据输入 预先训练的深度神经网络模型,得到深度神经网 络模型输出的叶面积指数,深度神经网络模型至 少包括卷积层,卷积层的采样步幅大于1,并且取 不大于卷积层使用的滤波器的尺度的数值中的 最大值。通过本申请,可以反演出具有较高精度 的叶面积指数。权利要求书2页 说明书12页 附图2页CN 109975250 B 2020.03.24 C N 109975250 B

权 利 要 求 书1/2页CN 109975250 B 1.一种叶面积指数反演方法,其特征在于,包括: 获取遥感植被冠层光谱反射率数据; 将所述遥感植被冠层光谱反射率数据输入预先训练的深度神经网络模型,得到所述深度神经网络模型输出的叶面积指数,所述深度神经网络模型至少包括卷积层,所述卷积层的采样步幅大于1,并且取不大于所述卷积层使用的滤波器的尺寸的数值中的最大值; 其中,所述卷积层包括:第一个卷积层与第二个卷积层,所述第一个卷积层与所述第二个卷积层连接; 所述第一卷积层的滤波器尺寸为1*3,采样步幅为3,所述第二个卷积层的滤波器尺寸为1*3,采样步幅为3; 其中,所述深度神经网络模型还包括:一个池化层;所述第二个卷积层与所述池化层连接; 其中,所述深度神经网络模型还包括:三个全连接层,分别为第一个全连接层,第二个全连接层与第三个全连接层;所述池化层与所述第一个全连接层连接,所述第一个全连接层输出的数据,输入随机失活(Dropout),所述Dropout输出的数据输入所述第二个全连接层,所述第二个全连接层与所述第三个全连接层连接。 2.根据权利要求1所述的方法,其特征在于,所述预设的神经网络模型是采用训练样本训练得到;所述训练样本包括预设的植被光谱反射率数据,以及与所述预设的植被光谱反射率数据对应的叶面积指数; 所述预设的植被光谱反射率数据为在所述遥感植被冠层光谱反射率数据中的比例为0.14%的数据。 3.根据权利要求1所述的方法,其特征在于,所述第二个卷积层输出的数据输入预设的第一ReLU激活函数,所述第一ReLU激活函数输出的数据输入所述池化层,所述池化层输出的数据输入所述第一个全连接层,所述第一个全连接层输出的数据输入预设的第二ReLU激活函数,所述第二ReLU激活函数输出的数据输入所述Dropout,所述Dropout输出的数据输入所述第二个全连接层,所述第二个全连接层输出的数据输入预设的第三ReLU激活函数,所述第三ReLU激活函数输出的数据输入所述第三个全连接层,所述第三个全连接层输出的数据输入预设的Sigmoid函数。 4.一种叶面积指数反演装置,其特征在于,包括: 获取模块,用于获取遥感植被冠层光谱反射率数据; 输入模块,用于将所述遥感植被冠层光谱反射率数据输入预先训练的深度神经网络模型,得到所述深度神经网络模型输出的叶面积指数,所述深度神经网络模型至少包括卷积层,所述卷积层的采样步幅大于1,并且取不大于所述卷积层使用的滤波器的尺寸的数值中的最大值; 其中,所述卷积层包括:第一个卷积层与第二个卷积层,所述第一个卷积层与所述第二个卷积层连接; 所述第一卷积层的滤波器尺寸为1*3,采样步幅为3,所述第二个卷积层的滤波器尺寸为1*3,采样步幅为3; 其中,所述深度神经网络模型还包括:一个池化层;所述第二个卷积层与所述池化层连接; 2

近地表气温遥感反演方法(定)

近地表气温遥感反演方法研究进展 摘要:气温是描述陆地环境条件的重要参数,也是气象观测资料中最基本观测项目之一。结合遥感的空间分辨率高,覆盖面广,资料同步性强的特点,运用遥感方法反演气温弥补了传统方法的缺点,气象卫星的发展,为其提供了技术平台支持。本文从近地表气温反演的各种不同的方法进行阐述,分别从半统计方法、统计方法、多因子分析方法和遗传算法方面进行叙述。 关键词:气温;遥感;反演方法这 1.引言 气温是描述陆地环境条件的重要参数,也是气象观测资料中最基本观测项目之一。由于近地球表面气温控制着大部分陆地表面过程(如光合作用、呼吸作用及陆地表面蒸散过程等),因此,气温是各种植物生理、水文、气象、环境等模式或模型中的一个非常重要的近地表气象参数输入因子[1,2]。高山、水体、植被以及土壤含水量等,以至于表现出很大的空间异质性。我们常常听说的气温,是有气象观测站在植有草皮的观测场所中离地面1.5米高的百叶箱中的温度表测得的。由于温度表保持了良好的通风性并避免了阳光直接照射,因而具有较好的代表性,这个温度基本上反映了观测地点(当地)的气温。但是随着数值预报的发展,常规的探测手段越来越不能满足现代业务预报的需要。特别是在海洋,沙漠,沙漠等的荒僻的地区,基本不可能设立气象站点,即使设立站点也十分稀疏,这就使得我们所获取的气温资料十分有限,要想研究特定位置的气温水平空间分布状况及其内部结构特征等都有一定的困难。同时在不同地形和不同景观条件下,一个气象站观测的数据能够代表的范围有很大差别,即使通过空间内插过程也不能够获得满意的气温空间分布,从影响模型模拟结果[3]。 而遥感具有覆盖面广,空间分辨率高,资料同步性强的特点,所以利用卫星遥感手段资料反演近地表的大气温度就弥补了传统手段的缺陷,不论在现实意义还是经济意义上,都是非常重要的。随着大气科学理论和遥感探测技术的迅速发展,在全球大气观测系统中,卫星探测技术将会成为中流砥柱。同时,从60年代有了气象卫星之后,给遥感反演温度提供了可靠的现实依据。 目前反演大气参数的方法基本可以分为三类:物理方法、半统计方法和统计方法。物理方法是从辐射传输方程出发,根据已知的一些大气知识对方程进行简化,从而达到求解的目的,至今对它们的物理机制认识得还很不清楚,所以极大地限制了该方法的应用与发展。半统计方法是采用物理方法与实测资料的结合,建立个大气参数间的关系,然后利用实测资料进行各参数的反演。目前在该领域采用比较多的是统计方法,它主要包括单因子线性回归分析方法、多元统计方法、Bowen 比分析方法、遗传算法和神经网络方法等,利用这些方法时需考虑多种影响因素,从而建立各因素之间的相互关系[4]。 本文具体从半统计方法和统计方法对气温反演进行研究,着重论述了统计方法反演近地表气温,考虑了热红外和微波两个波段对气温的反演。

叶面积指数遥感反演

冬小麦叶面积指数(LAI)的遥感反演 ——经验模型和物理模型方法 李淑敏 2010/12/13

?第一部分.基础知识 ?第二部分.遥感反演LAI 的方法 ?第三部分.研究实例 本次课程主要内容 叶面积指数LAI 、遥感反演 经验模型反演方法、物理模型反演方法 几何光学模型、辐射传输模型 PROSAIL 模型 硕士论文——―基于MODIS/ASTER 的区域冬小麦叶面 积指数PROSAIL 模型反演研究” BRDF 模型PROSPECT 模型、SAIL 模型

叶面积指数leaf area index ?定义:单位土地面积上植被叶片总面积。 叶片总面积/占地面积 ?陆地生态系统的一个十分重要的参数: 农作物产量预估和病虫害评价; 反映作物生长发育的动态特征和健康状况。 ?叶面积指数越大,表明单位土地面积上的叶面积越大。 那么,叶面积指数越大越好吗?? ?以冬小麦为例了解叶面积指数变化情况

图为不同群体叶面积指数消长模型(彭永欣等,1992)1—过大群体;2—高产群体;3—过小群体. 低增缓增快 增衰减LAI 消长动态分为四个时期 1. 低速增长期,叶片总数较多,但叶面积较小,总叶面积增速较低; 2. 缓慢增长期,单叶面积渐次增加,但低温条件,出叶周期延长; 3. 快速增长期,气温回升,植株生长快速,至孕穗期LAI 达峰值; 4. 衰减期,植株生殖生长,叶片消亡叶面积衰减,至成熟期LAI 为0。一个生长期内冬小麦叶面积指数变化

叶面积指数获取方法 ?实测方法 长宽法、称重法这些方法均需要消耗一定的人力进行实物测量。 借助有关测量工具例如LAI-2000、LAI-2200、LI-3100C、LI-3000、AccuPAR等,此方法仍需实地进行测量。 仅能获得地面有限点的LAI值,对于推广获取大范围LAI存在很大局限性,不能满足植被生态和作物长势监测需求 ?遥感反演方法由于遥感数据具有覆盖范围广、时间与空间分辨率高、花费相对较少等优点。 可以用定量遥感方法反演区域LAI ?作物生长模型模拟LAI

支持向量机算法介绍

支持向量机算法介绍 众所周知,统计模式识别、线性或非线性回归以及人工神经网络等方法是数据挖掘的有效工具,已随着计算机硬件和软件技术的发展得到了广泛的应用。 但多年来我们也受制于一个难题:传统的模式识别或人工神经网络方法都要求有较多的训练样本,而许多实际课题中已知样本较少。对于小样本集,训练结果最好的模型不一定是预报能力最好的模型。因此,如何从小样本集出发,得到预报(推广)能力较好的模型,遂成为模式识别研究领域内的一个难点,即所谓“小样本难题”。支持向量机(support vector machine ,简称SVM )算法已得到国际数据挖掘学术界的重视,并在语音识别、文字识别、药物设计、组合化学、时间序列预测等研究领域得到成功应用。 1、线性可分情形 SVM 算法是从线性可分情况下的最优分类面(Optimal Hyperplane )提出的。所谓最优分类面就是要求分类面不但能将两类样本点无错误地分开,而且要使两类的分类空隙最大。 设线性可分样本集为),(i i y x ,d R x n i ∈=,,,1 ,}1,1{-+∈y ,d 维空间中线性判别函数的一般形式为 ()b x w x g T +=, 分类面方程是 0=+b x w T , 我们将判别函数进行归一化,使两类所有样本都满足()1≥x g ,此时离分类面最近的 样本的 ()1=x g ,而要求分类面对所有样本都能正确分类,就是要求它满足 n i b x w y i T i ,,2,1,01)( =≥-+。 (4)

式(4)中使等号成立的那些样本叫做支持向量(Support Vectors )。两类样本的分类空隙(Margin )的间隔大小: Margin =w /2(5) 因此,最优分类面问题可以表示成如下的约束优化问题,即在条件(4)的约束下,求函数 ())(2 1221w w w w T == φ(6) 的最小值。为此,可以定义如下的Lagrange 函数: ]1)([21),,(1 -+-=∑=b x w y a w w a b w L i T i n i i T (7) 其中,0≥i a 为Lagrange 系数,我们的问题是对w 和b 求Lagrange 函数的最小值。把式(7)分别对w 、b 、i a 求偏微分并令它们等于0,得: i i n i i x y a w w L ∑==?=??10 001 =?=??∑=i n i i y a b L 0]1)([0=-+?=??b x w y a a L i T i i i 以上三式加上原约束条件可以把原问题转化为如下凸二次规划的对偶问题: () ???? ? ???? ==≥∑∑∑∑====-0,,1,0.m a x 1111 21i n i i i j T i j i j n i n j i n i i y a n i a t s x x y y a a a (8) 这是一个不等式约束下二次函数机制问题,存在唯一最优解。若*i a 为最优解,则 ∑== n i i i i x y a w 1* * (9) *i a 不为零的样本即为支持向量,因此,最优分类面的权系数向量是支持向量的线性组合。

资料:向量自回归模型__详解

第十四章 向量自回归模型 本章导读:前一章介绍了时间序列回归,其基本知识为本章的学习奠定了基础。这一章将要介绍的是时间序列回归中最常用的向量自回归,它独有的建模优势赢得了人们的广泛喜爱。 14.1 VAR 模型的背景及数学表达式 VAR 模型主要应用于宏观经济学。在VAR 模型产生之初,很多研究者(例如Sims ,1980 和Litterman ,1976;1986)就认为,VAR 在预测方面要强于结构方程模型。VAR 模型产生的原因在于20世纪60年代一大堆的结构方程并不能让人得到理想的结果,而VAR 模型的预测却比结构方程更胜一筹,主要原因在于大型结构方程的方法论存在着更根本的问题,并且结构方程受到最具挑战性的批判来自卢卡斯批判,卢卡斯指出,结构方程组中的“决策规则”参数,在经济政策改变时无法保持稳定,即使这些规则本身也是正确的。因此宏观经济建模的方程组在范式上显然具有根本缺陷。VAR 模型的研究用微观化基础重新表述宏观经济模型的基本方程,与此同时,对经济变量之间的相互关系要求也并不是很高。 我们知道经济理论往往是不能为经济变量之间的动态关系提供一个严格的定义,这使得在解释变量过程中出现一个问题,那就是内生变量究竟是出现在方程的哪边。这个问题使得估计和推理变得复杂和晦涩。为了解决这一问题,向量自回归的方法出现了,它是由sim 于1980年提出来的,自回归模型采用的是多方程联立的形式,它并不以经济理论为基础,在模型的每一个方程中,内生变量对模型的全部内生变量的滞后项进行回归,从而估计全部内生变量的动态关系。 向量自回归通常用来预测相互联系的时间序列系统以及分析随机扰动项对变量系统的动态影响。向量自回归的原理在于把每个内生变量作为系统中所有内生变量滞后值的函数来构造模型,从而避开了结构建模方法中需要对系统每个内生变量关于所有内生变量滞后值的建模问题。一般的VAR(P)模型的数学表达式是。 11011{,}t t p t p t t q t q t y v A y A y B x B x B x t μ----=++???++++???++∈-∞+∞ (14.1) 其中1t t Kt y y y =??????()表示K ×1阶随机向量, 1A 到p A 表示K ×K 阶的参数矩阵, t x 表示M ×1阶外生变量向量, 1B 到q B 是K ×M 阶待估系数矩阵, 并且假定t μ是白噪声序列;即, ()0,t E μ= '(),t t E μμ=∑并且'()0,t s E μμ=)t s ≠(。 在实际应用过程之中,由于滞后期p 和q 足够大,因此它能够完整的反映所构造模型的 全部动态关系信息。但这有一个严重的缺陷在于,如果滞后期越长,那么所要估计的参数就会变得越多,自由度就会减少。因此需要在自由度与滞后期之间找出一种均衡状态。一般的准则就是取许瓦咨准则(SC )和池此信息准则(AIC)两者统计量最小时的滞后期,其统计量见式(14-2)与式(14-3)。 2/2/AIC l n k n =-+ (14.2)

(完整版)支持向量回归机

3.3 支持向量回归机 SVM 本身是针对经典的二分类问题提出的,支持向量回归机(Support Vector Regression ,SVR )是支持向量在函数回归领域的应用。SVR 与SVM 分类有以下不同:SVM 回归的样本点只有一类,所寻求的最优超平面不是使两类样本点分得“最开”,而是使所有样本点离超平面的“总偏差”最小。这时样本点都在两条边界线之间,求最优回归超平面同样等价于求最大间隔。 3.3.1 SVR 基本模型 对于线性情况,支持向量机函数拟合首先考虑用线性回归函数 b x x f +?=ω)(拟合n i y x i i ,...,2,1),,(=,n i R x ∈为输入量,R y i ∈为输出量,即 需要确定ω和b 。 图3-3a SVR 结构图 图3-3b ε不灵敏度函数 惩罚函数是学习模型在学习过程中对误差的一种度量,一般在模型学习前己经选定,不同的学习问题对应的损失函数一般也不同,同一学习问题选取不同的损失函数得到的模型也不一样。常用的惩罚函数形式及密度函数如表3-1。 表3-1 常用的损失函数和相应的密度函数 损失函数名称 损失函数表达式()i c ξ% 噪声密度 ()i p ξ ε -不敏感 i εξ 1 exp()2(1) i εξε-+ 拉普拉斯 i ξ 1 exp()2 i ξ- 高斯 212 i ξ 21 exp()22i ξπ -

标准支持向量机采用ε-不灵敏度函数,即假设所有训练数据在精度ε下用线性函数拟合如图(3-3a )所示, ** ()()1,2,...,,0 i i i i i i i i y f x f x y i n εξεξξξ-≤+??-≤+=??≥? (3.11) 式中,*,i i ξξ是松弛因子,当划分有误差时,ξ,*i ξ都大于0,误差不存在取0。这时,该问题转化为求优化目标函数最小化问题: ∑=++?=n i i i C R 1 ** )(21 ),,(ξξωωξξω (3.12) 式(3.12)中第一项使拟合函数更为平坦,从而提高泛化能力;第二项为减小误差;常数0>C 表示对超出误差ε的样本的惩罚程度。求解式(3.11)和式(3.12)可看出,这是一个凸二次优化问题,所以引入Lagrange 函数: * 11 ****1 1 1()[()] 2[()]() n n i i i i i i i i n n i i i i i i i i i i L C y f x y f x ωωξξαξεαξεξγξγ=====?++-+-+-+-+-+∑∑∑∑ (3.13) 式中,α,0*≥i α,i γ,0*≥i γ,为Lagrange 乘数,n i ,...,2,1=。求函数L 对ω, b ,i ξ,*i ξ的最小化,对i α,*i α,i γ,*i γ的最大化,代入Lagrange 函数得到对偶形式,最大化函数:

(完整)landsat 遥感影像地表温度反演教程(大气校正法)

基于辐射传输方程的Landsat数据地表温度反演教程 一、数据准备 Landsa 8遥感影像数据一景,本教程以重庆市2015年7月26日的=行列号为(128,049)影像(LC81280402016208LGN00)为例。 同时需提前查询影像的基本信息(详见下表) 标识日期采集时 间 中心经度中心纬度 LC81280402016208LGN002016/7/263:26:56106.1128830.30647…………………………注:基本信息在影像头文件中均可查询到,采集时间为格林尼治时间。 二、地表温度反演的总体流程 三、具体步骤 1、辐射定标

地表温度反演主要包括两部分,一是对热红外数据,二是多光谱数据进行辐射定标。 (1)热红外数据辐射定标 选择Radiometric Correction/Radiometric Calibration 。在File Selection 对话框中,选择数据LC81230322013132LGN02_MTL_Thermal ,单击Spectral Subset 选择 Thermal Infrared1(10.9),打开Radiometric Calibration 面板。 (2)多光谱数据辐射定标 选择要校正的多光谱数据“LC81230322013132LGN02_MTL_MultiSpectral ”进行辐射定标。

因为后续需要对多光谱数据进行大气校正,可直接单击Apply Flaash Settings ,如下图。 2、大气校正 本教程选择Flaash 校正法。FLAASH Atmospheric Correction ,双击此工具, 打开辐射定标的数据,进行相关的参数设置进行大气校正。 注意:如果在多光谱数据辐射定标时Scale factor 值忘记设置,可在本步骤中打开辐射定标数时设置single scale faceor 值为0.1,若已设置,则默认值为1即可。1) Input Radiance Image :打开辐射定标结果数据;2) 设置输出反射率的路径,由于定标时候;

植被叶面积指数遥感反演的尺度效应及空间变异性

第26卷第5期2006年5月 生 态 学 报AC TA ECOLOGIC A SI NICA Vol.26,No.5May,2006 植被叶面积指数遥感反演的尺度效应及空间变异性 陈 健1 ,倪绍祥1* ,李静静2 ,吴 彤 1 (1.南京师范大学地理科学学院,南京 210097;2.南京信息工程大学计算机科学与技术系,南京 210044) 基金项目:国家自然科学基金资助项目(40371081);江苏省研究生创新计划项目(1612005012)收稿日期:2005 09 25;修订日期:2006 04 20 作者简介:陈健(1978~),男,汉族,山东济宁人,博士生,从事遥感与GIS 应用研究.E mail:chjnjnu@https://www.doczj.com/doc/586791764.html, *通讯作者Corresponding author.E mail:sxni@nj https://www.doczj.com/doc/586791764.html, Foundation item :The projec t was s upported by National Natural Science Foundation of China (No.40371081)and Innovation Res earch Program of Jiangsu Provincial Department of Educati on for Res earch Students (1612005012)Received date :2005 09 25;Accepted date :2006 04 20 B iography :CHEN Ji an,Ph.D.candidate,mainly engaged in application of remote sensing and GIS.E mai l:chjnjnu@https://www.doczj.com/doc/586791764.html, 摘要:遥感作为宏观生态学研究中数据获取的一种便捷手段,有助于把握较大尺度内生态学现象的特征。应用遥感数据反演LAI 时,由于像元的异质性,不同尺度遥感数据之间的转换是遥感发展的一个重要问题。以河北省黄骅市为研究区,在利用TM 和MODIS 遥感数据对芦苇LAI 反演误差产生原因进行分析的基础上,利用半变异函数对像元空间异质性进行了定量描述。发现NDVI 算法的非线性带给LAI 尺度转换的误差很小,而LAI 的空间异质性则是引起L AI 尺度效应的根本原因。并且当像元内空间异质性很大时半变异函数的基台值比纯像元要大得多,空间自相关的程度是引起LAI 尺度转换误差的主要原因;反之,像元内空间异质性不大时,随机误差是引起LAI 尺度转换误差的主要原因。当像元为纯像元时,由像元异质性引起的反演误差基本可以忽略。此外,研究区芦苇的空间相关有效尺度约为360m,超过此距离空间相关性则不复存在。关键词:叶面积指数;尺度效应;半变异函数;异质性 文章编号:1000 0933(2006)05 1502 07 中图分类号:Q948,TP79 文献标识码:A Scaling effect and spatial variability in retrieval of vegetation LAI from remotely sensed data CHEN Jian 1 ,NI Shao Xiang 1,* ,LI Jing Jing 2,WU Tong 1 (1 Colle ge o f Ge ographical Science ,Nanjing Normal U nive rsity ,Nanjing 210097, China ;2 De partment o f Compute rsc ienc e &Tec hnology ,Nanjing U niversity o f In f o rmation Sc ie nce &Technology ,Nanjing 210044,China ).Acta Ecologica Sinica ,2006,26(5):1502~1508. Abstract :As one kind of the means for data acquiring in mac roscopic ec ology,re mote sensing has an ability to grasp fea tures of the ec ological phenomena on lar ger scale.In de riving Le af Area Inde x (LAI )from remotely sensed data,the transformation of the re motely sensed data from one kind of resolution to anothe r has bec ome a signific ant problem because of the heterogeneity in pixel.In this paper,based on an analysis of the reasons for e rror appearing in LAI retrieval,the spatial he terogenei ty in pixel was described by se mivariogra m.Taking the city of Huanghua in Hebei province as the study area and using TM a nd MODIS data,this paper e xplores the scaling effect in the re trie ving reeds LAI .Firstly,the LAI image with 30m scale was retrieved from the TM ima ge data based on the statistic model.Then,se ven test plots we re selected from the LAI image.Each plot is diffe rent in reeds c overage,and the smaller reeds coverage in pixel the lager heterogeneity within it.Follo wing this step,the reeds LAI on the MODIS scale (990m by 990m)were obtained for the seven plots using the method of spatial transformation,and the reason for e rror appea red in the LAI retrieval was e xplored.Finally,the semivariogram model of reeds coverage was de veloped through the analysis on the semivariograms of these plots. The following c onclusions we re obtained from this study:(1)The scaling problem appeared in de riving the paramete rs on ground surface stems from not only the non linearity of algorithm for nor malized difference vege tation inde x (NDV I ),but also the spa t ial he terogeneity within pixel.The variation in LAI error depends mainly on the degree of he terogeneity of ground surface.It

相关主题
相关文档 最新文档